播面

在 Python 中，threading（多线程）和 multiprocessing（多进程）是实现并发编程的两种主要方式。

要理解它们的区别，核心在于理解 GIL（全局解释器锁，Global Interpreter Lock） 以及内存管理方式。

以下是详细的对比分析：

1. 核心区别总结表

2. 深入解析

A. 多线程 (Threading) 与 GIL

在 CPython（Python 的标准解释器）中，存在一个 GIL（全局解释器锁）。这意味着在任何给定的时刻，只有一个线程可以在 CPU 上执行 Python 字节码。

• 工作原理：线程 A 执行一会儿 -> 释放 GIL -> 线程 B 抢到 GIL -> 线程 B 执行 -> ...
• 为什么适合 I/O 密集型？
  当线程遇到 I/O 操作（如等待网络响应、读写硬盘）时，它会主动释放 GIL。此时 CPU 是空闲的，其他线程可以利用这段空闲时间继续工作。因此，虽然不能利用多核，但在处理大量等待任务时效率极高。
• 缺点：
  • 无法利用多核 CPU 加速计算。
  • 由于共享内存，多个线程同时修改同一数据时容易发生冲突（Race Condition），需要使用 Lock（锁）机制。

B. 多进程 (Multiprocessing)

multiprocessing 模块通过创建完全独立的子进程来工作。每个子进程都有自己独立的 Python 解释器实例和独立的 GIL。

• 工作原理：进程 A 在核心 1 上跑，进程 B 在核心 2 上跑。它们互不干扰。
• 为什么适合 CPU 密集型？
  因为每个进程有自己的 GIL，它们可以同时在不同的 CPU 核心上全速运行，实现真正的并行计算。
• 缺点：
  • 内存开销大：每个进程都需要一份独立的内存空间。
  • 启动慢：创建进程比创建线程慢得多。
  • 通信复杂：进程间数据不共享，必须使用 Queue、Pipe 或 Manager 等机制来传递数据，这会带来额外的序列化（Pickling）开销。

3. 场景举例：该选哪一个？

场景一：网络爬虫 (I/O 密集型)

你需要从 100 个网站下载网页。

• 选择：Threading
• 原因：大部分时间程序都在等待服务器响应（I/O）。多线程可以在等待时切换去下载下一个，极大缩短总耗时。多进程在这里只会增加不必要的内存开销。

场景二：图像处理/大数计算 (CPU 密集型)

你需要将 1000 张高清图片转换为黑白，或者计算 1 亿以内的质数。

• 选择：Multiprocessing
• 原因：这是纯计算任务，CPU 一直在满负荷工作。如果用多线程，因为 GIL 的存在，实际上还是单核在跑，甚至因为线程切换的开销比单线程还慢。用多进程可以将任务分配给 4 核或 8 核 CPU 同时跑，速度提升显著。

4. 代码简单对比

多线程 (Threading):

import threading
import time

def task():
    time.sleep(1) # 模拟 I/O 等待
    print("Task finished")

# 创建线程
t1 = threading.Thread(target=task)
t2 = threading.Thread(target=task)

# 启动
t1.start()
t2.start()

# 等待结束
t1.join()
t2.join()

多进程 (Multiprocessing):

import multiprocessing
import time

def task():
    # 这里可以是繁重的计算
    sum(i * i for i in range(10000000))
    print("Task finished")

if __name__ == '__main__': # Windows 下必须加这行
    # 创建进程
    p1 = multiprocessing.Process(target=task)
    p2 = multiprocessing.Process(target=task)

    p1.start()
    p2.start()

    p1.join()
    p2.join()

总结 (一句话法则)

• 如果你在等（网络、磁盘），用 多线程 (Threading)。
• 如果你在算（CPU 计算），用 多进程 (Multiprocessing)。